Training eines künstlichen Intelligenzmodells zur Erkennung der Aortendissektion mit kontrastfreien Computertomographiebildern von menschlichen Patienten

Summary

Dieses Protokoll beschreibt die Ausbildung eines künstlichen Intelligenzmodells, um eine Aortendissektion mithilfe von kontrastfreien Computertomographiebildern zu erkennen, was ein schnelles und zugängliches Screening in klinischen Umgebungen ermöglicht.

Abstract

Aortendissektion (AD) ist eine extreme Folge einer beeinträchtigten Gefäßremodellierungshomöostase und erfordert eine schnelle, genaue Identifikation in der klinischen Praxis. Dieses Protokoll beschreibt ein auf künstlicher Intelligenz basierendes Lernmodell zur AD-Identifikation unter Verwendung von Kontrast-Computertomographie (CT). Datensätze zur Angiographie von Brust-CT und Aorten-CT wurden von AD- und Nicht-AD-Patienten in einem Grade-A-Tertiärkrankenhaus erhoben. Gefäßstrukturen auf jedem axialen Bild wurden manuell segmentiert und mit der Open-Source-Software LabelMe annotiert, um einen Segmentierungsdatensatz für die Modellentwicklung und -auswertung zu erstellen. Der Datensatz wurde in Trainings-, Test- und Validierungssätze mit einem Verhältnis von 8:1:1 für Modelltraining und Validierung aufgeteilt. Nach der Entwicklung eines Modells mit robuster Erkennungsleistung wurde eine Online-Verarbeitungsplattform entwickelt, um die Ergebnisse effektiv zu visualisieren und zu präsentieren. Dieser Ansatz bietet ein leistungsstarkes, intelligentes Werkzeug für eine schnelle, vorläufige Screening von AD und adressiert den ungedeckten klinischen Bedarf an zugänglicher Früherkennung in unterschiedlichen klinischen Umgebungen.

Introduction

Aortendissektion (AD) ist eine lebensbedrohliche akute Erkrankung, die dadurch gekennzeichnet ist, dass Blut durch einen Riss in der Intimusschleimhaut in die mediale Schicht der Aortenwand eindringt und so ein dissektionierendes und expandierendes falsches Lumen¹ bildet. Ohne rechtzeitige Diagnose und Behandlung ist die Sterblichkeitsrate extrem hoch, die Sterblichkeitsrate innerhalb von 24 Stunden (einschließlich Todesfälle vor Krankenhausaufenthalt) lag bei 93 ^%. Die kontrastverstärkte Computertomographie-Angiographie (CTA) ist der Goldstandard zur Diagnose von AD, da sie die wahren und falschen Lumen, die Lage des Risses und das Ausmaß^{der Beteiligung klar} sichtbar machen kann. CTA erfordert jedoch die Injektion von jodhaltigen Kontrastmitteln, die das Risiko allergischer Reaktionen und Nephrotoxizität ^4,5 bergen. Darüber hinaus ist es in vielen Primärkrankenhäusern oder Notfalleinrichtungen schwierig, eine schnelle 24-Stunden-Verfügbarkeit zu erreichen. Im Gegensatz dazu erfordert die Nicht-Kontrast-CT (NCCT)-Untersuchung keine Kontrastmittel, was eine bequeme, schnelle Untersuchung mit relativ niedriger Strahlendosis und breiterer Anwendung bietet. Dennoch ist bei NCCT-Bildern der Kontrast zwischen dem wahren und falschen Lumen sowie zwischen dem Intimlappen und dem Blut gering, was erhebliche Herausforderungen für die visuelle Diagnose der Ärzte darstellt und leicht zu übersehenen oder falschen Diagnosen führt, insbesondere bei weniger erfahrenen Ärzten. Daher bietet die Entwicklung einer Technik, die eine hochpräzise, hochsensitive automatische Erkennung von AD direkt aus NCCT-Bildern ermöglicht, einen wichtigen klinischen Nutzen und Anwendungsaussichten.

Jüngste Fortschritte im Deep Learning haben die genaue Identifizierung pathologischer Merkmale aus nicht-kontrasthaltigen medizinischen Bildern ^6,7 ermöglicht. Das hochauflösende Netzwerk (HRNet) verwaltet hochauflösende Merkmalskarten im gesamten Netzwerk, während das Squeeze-and-Excitation Network (SENet) die Merkmalsrepräsentation durch Modellierung von Kanalabhängigkeiten⁸ verbessert. Die Kombination von HRNet und SENet bietet eine effektive Merkmalsextraktionsstrategie für die multiskalige Darstellung von NCCT-Bildern, was entscheidend ist, um subtile AD-Zeichen wie Intimflaps und Doppel-Lumen-Zeichen zu erkennen. Hier wird dieses Merkmalsextraktionskonzept innerhalb eines Objekterkennungsrahmens mit MMDetection und dem Cascade Region-based Convolutional Neural Network (R-CNN) implementiert, was eine robuste Lokalisierung und Klassifikation der Aortendissektion ermöglicht.

In dieser Studie verwendet das künstliche Intelligenzmodell (KI) auf Basis von HRNet+SENet einen schrittweisen Trainingsprozess, um AD anhand von NCCT-Bildern zu identifizieren (Abbildung 1). Es legt Wert auf Datensatzstandardisierung, multiskalale Feature-Extraktion und klinische Anpassungsfähigkeit. Ziel dieser Methode ist es, einen zuverlässigen Ansatz zur AD-Detektion bereitzustellen, insbesondere in Notfall- und Primärversorgungen, in denen kontrastverstärkte Bildgebung begrenzt oder nicht verfügbar ist.

Abbildung 1. Arbeitsablauf des künstlichen Intelligenzmodells (KI) zur Erkennung der Aortendissektion (AD). Schaltplan der KI-Modell-Trainingspipeline für AD-Detektion mit Bildern ohne kontrast (NCCT). Der Workflow umfasst die Datenvorbereitung (Bilderfassung und -annotation, Formatstandardisierung und -vorverarbeitung sowie Datensatzaufteilung), Modellaufbau (HRNetV2p-W32-Backbone, integriert in ein Cascade R-CNN-Detektionsframework und initialisiert mit COCO-vortrainierten Gewichten), Modelltraining (SGD-Optimierer, Lernrate der Kosinusannealing und Kreuzentropieverlust), Modellevaluation (quantitative Metriken und qualitative Visualisierung) sowie klinische Anwendung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Protocol

Alle menschlichen Datenerhebungen in dieser Studie wurden gemäß den ethischen Standards der Helsinkier Erklärung durchgeführt und vom Ethikausschuss des China-Japan Union Hospital der Universität Jilin genehmigt (Genehmigungsnummer: 2019103004). Die informierte Zustimmung wurde schriftlich von allen einzelnen Teilnehmern oder deren gesetzlichen Vormündern eingeholt, bevor ihre relevanten Informationen gesammelt wurden. Alle persönlichen Informationen der Probanden wurden streng vertraulich behandelt, um ihre Privatsphäre zu schützen, und während der Datenerhebung wurden keine experimentellen Operationen an den Probanden durchgeführt.

1. Datensatzkonstruktion

1. Datenerhebung und Datensatz-Partitionierung
   1. Sammeln Sie klinische CT-Bilder des Brustkorbs ohne Kontrastmittel von 300 Patienten, die zwischen dem 1. März 2022 und dem 1. März 2025 im China-Japan Union Hospital der Universität Jilin aufgenommen wurden, darunter 150 Patienten mit AD und 150 Patienten ohne AD, die durch CTA bestätigt wurden. Beziehen Sie Typ A und Typ B ADs ein. Alle Rohbilddaten sind institutionell eingeschränkt und aufgrund von Datenschutz- und ethischen Einschränkungen der Patienten nicht öffentlich zugänglich.
   2. Teile den Datensatz auf Patientenebene in Trainings-, Validierungs- und Testsets im Verhältnis 8:1:1 auf. Stellen Sie sicher, dass alle Schnitte eines Patienten in einem einzigen Satz bleiben, um Datenlecks zu vermeiden.
   3. Führen Sie geschichtete Stichproben auf Basis der AD/Nicht-AD-Diagnose durch, um das Klassengleichgewicht über alle Teilmengen hinweg zu erhalten.
   4. Der Datensatz wurde wie oben beschrieben auf Patientenebene voraufgeteilt, um Informationslecks auf Patientenebene zu vermeiden. Ein fester zufälliger Seed von 42 wurde für den Trainingsalgorithmus verwendet, um zufällige Prozesse wie Datenmischung, Online-Augmentation und Modellinitialisierung während des Trainings zu steuern; Dieser Seed war unabhängig und wurde nicht auf die Partitionierung von Datensätzen angewendet.
      VORSICHT: Stellen Sie sicher, dass alle Bildgebungsdaten der Patienten vor der Verarbeitung vollständig anonymisiert werden, um die Privatsphäre der Patienten zu schützen und institutionelle sowie regulatorische Richtlinien einzuhalten.
2. Datenausschluss
   1. Bilder mit schwerwiegenden Bewegungsartefakten werden ausgeschlossen.
   2. Schließen Sie Bilder mit unzureichendem Scanbereich aus, die nicht die gesamte Aorta abdecken.
   3. Ausschließen Sie Bilder mit übermäßigem Bildrauschen, definiert als Standardabweichung der CT-Dämpfungswerte, die 30 HU in der absteigenden thorakalen Aorta überschreiten.
3. Bildumwandlung
   1. Laden Sie DICOM-Bilddaten und exportieren Sie axiale Bildschnitte mit der ITK-SNAP-Bildverarbeitungssoftware.
   2. Starte ITK-SNAP und klicke auf Datei → Hauptbild öffnen.
   3. Wählen Sie die Quell-DICOM-Serie aus und klicken Sie auf Öffnen.
   4. Navigiere durch axiale Slices mit dem Slice-Regler.
   5. Exportiere jeden Slice, indem du auf Datei → Export → Image Slice klickst.
   6. Wählen Sie das PNG-Format und geben Sie das Ausgabeverzeichnis an.
   7. Speichere jeden Slice als einzelne Datei.
   8. Alle exportierten Bildschnitte wurden einheitlich nach dem festen Format IMG-[PatientID]-[SliceIndex].png benannt, wobei eindeutige Patientenkennungen und fortlaufende Slice-Nummerierung verwendet wurden, um die Rückverfolgbarkeit zu gewährleisten.
4. Bildannotationsaufbau
   1. Öffnen Sie jedes axiale Bild mit der Annotationssoftware LabelMe.
   2. Starte LabelMe und klicke auf Verzeichnis öffnen.
   3. Navigiere zum Ordner mit axialen Bildern und lade alle Bilder.
5. Manuelle Segmentierung
   1. Wählen Sie in LabelMe das Tool "Polygon erstellen", um Gefäßstrukturen zu annotieren (Abbildung 2). Beziehen Sie das Aortenlumen, den Intimflaps und sichtbare Sektionsgrenzen während der Annotation ein. Während der Markierung wurde die gesamte Aortenstruktur mit dem Intimlappen als eine einzige integrierte Region konturiert. Der Annotationsscope deckte das vollständige sichtbare Aortensegment mit Dissektionsläsionen und intimalen Rissgrenzen ab, ohne separate Segmentierung oder Unterscheidung des wahren Lumen, falschen Lumens oder unabhängiger Gefäßsubregionen.
   2. Definiere Gefäßgrenzen, indem du Eckpunkte entlang der Struktur platzierst.
   3. Schließen Sie das Polygon, indem Sie den letzten Knoten mit dem ersten verbinden.
   4. Ändern Sie Anmerkungen nach Bedarf mit dem Werkzeug "Polygon ändern".
6. Labelzuweisung
   1. Jede fertige Polygon-Annotation wurde mit zwei standardisierten und kasuskonsistenten Kategorien beschriftet: "Aortendissektion" für Aortendissektion und "Gesund" für normale Aortenbilder.
   2. Stellen Sie sicher, dass Labelnamen in allen Anmerkungen einheitlich verwendet werden und in Rechtschreibung und Format im gesamten Datensatz identisch bleiben.
   3. Wähle Labels aus der Dropdown-Liste aus oder gib manuell ein.
   4. Klicken Sie auf OK oder drücken Sie Enter, um die Labelzuweisung zu bestätigen.
   5. Speichere Anmerkungen, um JSON-Dateien zu generieren.
      HINWEIS: Die manuelle Annotation kann je nach Bediener variieren. Stellen Sie konsistente Annotationskriterien vor und beziehen Sie, wenn möglich, eine fachkundige Validierung ein.
7. Annotationsexport
   1. Aktivieren Sie Autosave, um Anmerkungen im JSON-Format zu exportieren.
   2. Stellen Sie sicher, dass jede JSON-Datei ihrem ursprünglichen CT-Slice entspricht.
   3. Überprüfen Sie, dass jede Annotationsdatei eine Eins-zu-eins-Korrespondenz mit der zugehörigen Bilddatei pflegt.
   4. Konvertiere JSON-Annotationen in ein Format, das mit dem Trainingsrahmen kompatibel ist. LabelMe-JSON-Annotationen wurden vor dem Training über ein benutzerdefiniertes Python-Skript in das COCO-Format umgewandelt. Die konvertierten Dateien (output_coco_annotations_{split}.json, wobei split = train, valid oder test) wurden in MMDetection 2.x mit CocoDataset mit LoadAnnotations(with_bbox=True) geladen.
8. Datenqualitätskontrolle
   1. Entfernen Sie ungültige Einträge basierend auf vordefinierten Qualitätskriterien, einschließlich fehlender Bilddateien, unvollständiger Annotationen oder nicht übereinstimmender Bild-Annotationspaare.
   2. Erstellung und Benennung bereinigter COCO-Annotationsdateien für Training, Validierung und Testing. Die bereinigten Annotationen wurden als split-spezifische COCO JSON-Dateien mit der festen Namensregel output_coco_annotations_{split}.json gespeichert. Konkret waren die drei Ausgabedateien train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json und test/output_coco_annotations_test.json, wobei die entsprechenden Bilder in train/images/, valid/images/ und test/images/ gespeichert wurden. Diese Dateien wurden direkt von der MMDetection-Trainingspipeline verwendet.
9. Organisation von Datensätzen
   1. Organisieren Sie den Datensatz in Train-, Validing- und Test-Split-Verzeichnisse. Der Datensatz wurde unter dem Root-Verzeichnis aortic_dissection_dataset/ organisiert und in drei split-spezifische Unterverzeichnisse unterteilt: train/, valid/ und test/. Jedes Unterverzeichnis enthielt einen Image/Ordner mit den Bilddateien aus dieser Trennung.
   2. Speichere split-spezifische COCO-Annotationsdateien in jedem entsprechenden geteilten Verzeichnis, anstatt im Root-Verzeichnis des Datensatzes. Training, Validierung und Testannotationen wurden als Train/output_coco_annotations_train.json, valid/output_coco_annotations_valid.json und Test/output_coco_annotations_test.json gespeichert. Diese Dateien wurden geladen, indem split-spezifische ann_file und img_prefix Pfade während der Modelleinrichtung konfiguriert wurden.
   3. Pflegen Sie eine konsistente Verzeichnisstruktur über Trainings-, Validierungs- und Testdatensätze, um die Kompatibilität mit dem Trainingsrahmen sicherzustellen.
10. Trainingsdatenpipeline
    1. Bilder und Begrenzungsbox-Annotationen laden.
    2. Bildgröße auf 512×512 vergrößern und dabei das Seitenverhältnis beibehalten.
    3. Wende einen zufälligen Flip mit Wahrscheinlichkeit 0,5 an.
    4. Wenden Sie die Datenerweiterung mit expliziten Parametereinstellungen an. Während des Trainings wurden die Eingabebilder auf 512 × 512 Pixel (keep_ratio=True) verkleinert, gefolgt von Augmentation: zufälliges Flipping (flip_ratio=0,5), Gamma-Anpassung (gamma_limit=90–110, p=0,4), Helligkeits-/Kontrastanpassung (brightness_limit=0,15, contrast_limit=0,15, p=0,4), geometrische Transformation (shift_limit=0,03, scale_limit=0,08, rotate_limit=10°, p=0,4) und Gaußsches (var_limit=5,0–25,0), p=0,2). Validierungs- und Testbilder wurden nur verkleinert, normalisiert und ohne Augmentation gepolstert.
    5. Wenden Sie alle Augmentationsoperationen mit konsistenten Parametereinstellungen über Trainingsläufe hinweg an, um die Reproduzierbarkeit sicherzustellen.
    6. Normalisieren Sie Bilder mit Mittelwert [123,675, 116,28, 103,53] und Standardabweichung [58,395, 57,12, 57,375].
    7. Pad-Bilder auf Vielfache von 32.
11. Validierungs- und Testpipeline
    1. Bilder laden.
    2. Bildgröße anpassen.
    3. Normalisiere die Bilder.
    4. Pad-Bilder auf Vielfache von 32.
12. Modellrahmenkonstruktion
    1. Baue einen Objektdetektor mit zwei Klassen in MMDetection 2.x mit einer modifizierten HRNetV2p-W32 + Cascade R-CNN-Konfiguration. Der Detektor wurde in MMDetection 2.x basierend auf der offiziellen Konfiguration cascade_rcnn_hrnetv2p_w32_20e_coco.py implementiert und mit den entsprechenden COCO-vortrainierten Gewichten cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-
       928455a4.pth.
    2. Verwenden Sie HRNetV2p-W32 als Rückgrat und Cascade R-CNN als Detektor, wie in der in Schritt 1.12.1 beschriebenen Konfiguration definiert.
    3. Passen Sie die Basis-MMDetection-Konfiguration für die Zwei-Klassen-Aufgabe an. Das Modell wurde für die Zwei-Klassen-Aufgabe modifiziert, indem num_classes = 2 mit den Klassennamen "Aortendissektion" und "Gesund" gesetzt und Datensatzpfade für Training, Validierung und Testsätze aktualisiert wurden. Die endgültige reproduzierbare Konfiguration wurde als AorticDissection_full_pipeline_config.py gespeichert.
    4. Definieren Sie Klassen als Aortendissektion und Gesund.
13. Ausbildungskonfiguration
    1. Trainiere mit einer NVIDIA RTX 3080 Ti GPU.
    2. Setze den Optimierer auf stochastischen Gradientenabstieg.
    3. Setze die Lernrate auf 0,0001.
    4. Momentum auf 0,9 stellen.
    5. Stelle den Gewichtsabfall auf 0,0001 ein.
    6. Stellen Sie die Anzahl der Epochen auf 30 ein.
    7. Stelle die Chargengröße auf 1 pro GPU ein.
    8. Wenden Sie einen epochenbasierten Cosinus-Annealing-Lernraten-Scheduler mit expliziten Aufwärmeinstellungen an. Die Lernrate verwendete einen epochbasierten Kosinus-Annealing-Scheduler (by_epoch=True) mit linearer Aufwärmphase für die ersten 500 Iterationen (warmup_ratio=1e-4). Die Ausbildung lief über 30 Epochen, wobei die Mindestlernrate durch min_lr_ratio=1e-2 gesteuert wurde.
    9. Benutze FocalLoss und SmoothL1Loss.
       HINWEIS: Das Protokoll kann nach dem Erstellen und Teilen des Datensatzes pausiert werden. Speichern Sie alle verarbeiteten Daten sicher, bevor Sie fortfahren.

Abbildung 2. Manuelle Annotation von AD auf dem NCCT-Bild. Repräsentatives axiales NCCT-Bild, das manuelle Annotation von AD demonstriert. Die Aortenregion und die pathologischen Merkmale, einschließlich der Intimklappe, werden mit einem Polygon (grün) umrissen. Dieses annotierte Bild wird für das Modelltraining verwendet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

2. Modellarchitektur

1. Modellaufbau
   1. Konstruiere den Zwei-Klassen-Detektor in MMDetection 2.x mit ausführbarem Konfigurationscode. Der Detektor wurde in MMDetection 2.x aus der offiziellen cascade_rcnn_hrnetv2p_w32_20e_coco.py-Konfiguration über Config.fromfile(...) gebaut und dann für die Zwei-Klassen-Aufgabe (num_classes=2, Klassennamen: "Aortendissektion", "Gesund") mit angepassten Datensatzpfaden modifiziert. Das Modell wurde über build_detector(...) und init_detector(...) instanziiert, wobei die endgültige vollständige Konfiguration als AorticDissection_full_pipeline_config.py exportiert wurde.
   2. Geben Sie axiale NCCT-Bilder in das Modell ein.
   3. Ausgabebegrenzungsboxen, Klassenlabels und Konfidenzwerte (Abbildung 3).
   4. Verwenden Sie polygonbasierte Segmentierungsannotationen, die während der Datensatzvorbereitung generiert werden, um Interessensgebiete zu definieren, und wandeln Sie diese Annotationen in Begrenzungsboxen für Modelltraining, Visualisierung und endgültige Erkennungsausgaben um.
      HINWEIS: Das Erkennungsrahmen nutzt diese Begrenzungsboxen, um endgültige Klassifikationsausgaben und Konfidenzwerte zu erzeugen.
2. Rückgratkonfiguration
   1. Nutze HRNetV2p-W32 als Backbone-Netzwerk.
   2. Entferne alle Plugin-Module, um die Trainingsstabilität zu gewährleisten.
3. Erkennungsarchitektur
   1. Verwenden Sie Cascade R-CNN zur Erkennung.
4. Verlust und Ankeranordnung
   1. Konfigurieren Sie die Klassifikations- und Regressionsverluste mit expliziten Parametereinstellungen. In den ROI-Köpfen wurde der Klassifikationsverlust auf FocalLoss mit use_sigmoid=Wahr und loss_weight = 1,0 gesetzt. Der ROI-Bounding-Box-Regressionsverlust wurde auf SmoothL1Loss gesetzt, mit Beta = 1,0 und loss_weight = 0,5. Im RPN wurde der Klassifikationsverlust ebenfalls auf FocalLoss mit use_sigmoid=True und loss_weight = 1,0 gesetzt, während der Regressionsverlust auf L1Loss mit loss_weight = 1,0 gesetzt wurde.
   2. Definieren Sie die individuellen Anker-Seitenverhältnisse. Die RPN-Anker-Seitenverhältnisse wurden explizit auf 0,5, 1,0, 2,0 und 3,0 angepasst.
   3. Behalte die Standard-Anker-Skalenwerte aus der offiziellen MMDetection-Basiskonfiguration. Diese Studie übernahm die Standard-Anker-Skalenwerte aus der offiziellen MMDetection-Konfigurationsdatei cascade_rcnn_hrnetv2p_w32_20e_coco.py, ohne zusätzliche manuelle Änderungen.
5. Ausgabedefinition
   1. Ausgabevorhersagen für zwei Klassen: Aortendissektion und Gesund.

Abbildung 3. Erkennung von AD mit dem KI-Modell. Links: NCCT-Bild eingeben. Rechts: Modellausgabe, die die Erkennung von AD zeigt, wobei der vorhergesagte Bereich durch eine Begrenzungsbox und den zugehörigen Konfidenzwert markiert wird. Diese Abbildung zeigt die Identifikation von AD in NCCT-Bildern und die Visualisierung der Nachweisergebnisse. Der Konfidenzwert stellt die Vorhersagekonfidenz des Modells für die AD-Detektion dar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

3. Modelltraining

1. Trainingsumgebung
   1. Führe Training auf der NVIDIA RTX 3080 Ti GPU durch.
   2. Verwenden Sie Ubuntu 22.04.1 LTS.
   3. Verwenden Sie PyTorch 2.0.1, MMCV 1.7.2 und MMDetection 2.28.2.
2. Modellinitialisierung
   1. Initialisieren Sie das Modell mit einem spezifizierten COCO-vortrainierten HRNetV2p-W32 + Cascade R-CNN Checkpoint. Der Detektor wurde von einem COCO-vortrainierten Kontrollpunkt initialisiert, der in der Experimentkonfiguration explizit als cascade_rcnn_hrnetv2p_w32_20e_coco_20200208-928455a4.pth angegeben ist. Dieser Kontrollpunkt wurde als Initialisierungs-Gewichtsdatei für das Transferlernen in der vorliegenden Studie verwendet.
   2. Klassifizierungsschichten für zwei Klassen neu initialisieren.
3. Hyperparameter
   1. Setze den Optimierer auf stochastischen Gradientenabstieg.
   2. Setze die Lernrate auf 0,0001.
   3. Momentum auf 0,9 stellen.
   4. Stelle den Gewichtsabfall auf 0,0001 ein.
   5. Stellen Sie die Anzahl der Epochen auf 30 ein.
   6. Stelle die Chargengröße auf 1 ein.
   7. Setze den Scheduler auf Kosinusglühung mit Aufwärmen.
4. Ausführungsausführung der Ausbildung
   1. Lade Bilder und Anmerkungen.
   2. Die Bilder auf 512×512 vergrößern.
   3. Wenden Sie Augmentierungen an.
   4. Normalisiere und fülle Bilder auf.
   5. Führen Sie Modelltraining mit dem benutzerdefinierten MMDetection 2.x Full Pipeline-Skript durch: python full_pipeline_mmdet2_aortic_dissection.py, das die offizielle Basiskonfiguration lädt und anpasst und das Training mit den Funktionen build_detector(...) und train_detector(...) startet.
      HINWEIS: Das Skript wurde in der MMDetection 2.28.2-Umgebung ausgeführt, wobei alle Abhängigkeiten wie in der Materialtabelle angegeben installiert wurden.
   6. Bewerten Sie die Leistung auf der Validierungsmenge nach jeder Epoche.
   7. Halten Sie konsistente Trainingsbedingungen aufrecht, einschließlich Datenreihenfolge, Parametereinstellungen und Hardware-Konfiguration zur Reproduzierbarkeit.
5. Modellauswahl
   1. Wählen Sie das am besten performende Modell basierend auf der höchsten durchschnittlichen Begrenzungsgenauigkeit (bbox_mAP) aus dem Validierungssatz aus.
      HINWEIS: Auswahlkriterien können je nach Studienzielen Genauigkeit, Sensibilität, Spezifität oder Würfelkoeffizient sein.
6. Endgültige Bewertung
   1. Bewerten Sie das Modell auf dem unabhängigen Testsatz mit COCOeval. Die Bewertung erfolgte über das Skript full_pipeline_mmdet2_aortic_dissection.py mit run_train=Falsch und run_eval=Wahr. Das Skript lud den ausgewählten Checkpoint, erzeugte Vorhersagen auf dem unabhängigen Testset, wandelte sie in COCO-Format-Ergebnisdateien um und berechnete bbox-Metriken mit COCOeval.
      HINWEIS: Die Bewertung wurde in derselben MMDetection 2.28.2-Umgebung durchgeführt, um die Konsistenz mit dem Trainingsaufbau sicherzustellen.
   2. Berichte über Kennzahlen wie mAP, AP50, AP75 und AP pro Kurs.
   3. Führen Sie eine Auswertung mit derselben Datensatzpartition und Metrik-Definitionen durch, um Konsistenz zwischen den Experimenten sicherzustellen.

Results

Dieser Abschnitt präsentiert die reproduzierbaren, implementierungsverifizierten Ergebnisse des zweiklassigen Objekterkennungsmodells für AD-Detektion anhand von NCCT-Bildern, die strikt mit der validierten Trainingspipeline und dem COCO-Bewertungsrahmen abgestimmt sind (Abbildung 1). Alle Metriken werden aus dem gehaltenen Testsatz mit COCOeval abgeleitet, ohne gefälschte Daten oder unvalidierte Indikatoren.

Quantitative ...

Discussion

Kliniker, insbesondere Notfallärzte, können eine verminderte diagnostische Leistung erleben, wenn Patienten mit atypischen Symptomen auftreten oder wenn das hohe Patientenvolumen in der Notaufnahme Zeitdruck verursacht. Im Gegensatz dazu kann ein KI-Modell, das zur Erkennung von AD mit NCCT trainiert wurde, auch bei asymptomatischen Patienten eine konsistente und stabile Leistung liefern, ohne durch die Lesezeit eingeschränkt zu sein, und so potenziell die Genauigkeit und Effizienz bei d...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Kaskaden-R-CNN-Architektur	OpenMMLab (MMDetection)	Konfigurationen/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Im Rahmen verwendete Erkennungsarchitektur
Bilder der Computertomographie des Brustkorbs (ohne Kontrast)	Selbst konstruierter klinischer Datensatz	NCCT-Axialbildset	Klinische Bilddaten, die für die Modellentwicklung verwendet werden,
Annotationsdateien im COCO-Format	Während des Protokolls erzeugt	JSON (COCO-Format)	Konvertierte Annotationsdateien, die für Modelltraining verwendet werden
COCO vortrainierte Gewichte	OpenMMLab MMDetection Model Zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Verwendet zur Modellinitialisierung
HRNetV2p-W32-Architektur	OpenMMLab (MMDetection)	HRNetV2p-W32-Backbone (implementiert in MMDetection 2.28.2)	Verwendetes Backbone-Modell
ITK-SNAP	ITK-SNAP Entwicklungsteam	3.8.0	Verwendet für Bildformat-Konvertierung und Slice-Export
JSON-Annotationsdateien	LabelMe-Ausgabe	Standard-JSON-Format	Enthalten Annotationskoordinaten und Bezeichnungen
LabelMe	MIT CSAIL	4.8.3	Verwendet für manuelle Bildannotation
MMDetektion	OpenMMLab	2.28.2	Objekterkennungs-Framework zur Implementierung verwendet
MMCV	OpenMMLab	1.7.2	Kernbibliothek, die MMDetection unterstützt
NumPy	NumPy-Entwickler	1.26.4	Numerische Berechnungsbibliothek
NVIDIA RTX 3080 Ti GPU	NVIDIA	RTX 3080 Ti	Für das Training verwendete Hardware
OpenCV	OpenCV	4.9.0	Bildverarbeitung und Visualisierung
Pycocotools	PyPI / COCO API	2.0.6	COCO-Format-Bewertungsbibliothek
Python	Python Software Foundation	3.10.20	Programmierumgebung
PyTorch	PyTorch	2.0.1+cu118	Deep-Learning-Framework
TorchVision	PyTorch	0.15.2+cu118	Vision-Nutzen
Ubuntu-Betriebssystem	Kanonisch	22.04.1 LTS	Trainingsumgebung OS